MILKDE: a new approach for multiple instance learning based on positive instance selection and kernel density estimation

Página do item simplificado
dc.creatorAlexandre Wagner Chagas Faria
dc.creatorFrederico Gualberto Ferreira Coelho
dc.creatorAlisson Marques Silva
dc.creatorHonovan Paz Rocha
dc.creatorGustavo Matheus Almeida
dc.creatorAndré Paim Lemos
dc.creatorAntonio de Pádua Braga
dc.date.accessioned2025-04-04T13:19:35Z
dc.date.accessioned2025-09-08T23:28:25Z
dc.date.available2025-04-04T13:19:35Z
dc.date.issued2017
dc.identifier.doihttps://doi.org/10.1016/j.engappai.2016.12.015
dc.identifier.issn0952-1976
dc.identifier.urihttps://hdl.handle.net/1843/81292
dc.languageeng
dc.publisherUniversidade Federal de Minas Gerais
dc.relation.ispartofEngineering applications of artificial intelligence
dc.rightsAcesso Restrito
dc.subjectComputação
dc.subjectMatemática
dc.subject.otherMultiple Instance Learning, KDE
dc.subject.otherO Multiple Instance Learning constitui uma estrutura para problemas de classificação quando a associação individual de entrada-saída não é aplicável por algum motivo
dc.subject.otherNo MILKDE a seleção de instância positiva é baseada no KDE
dc.subject.othera seleção adaptável do número de instâncias positivas representativas produz a capacidade de bom desempenho em conjuntos de dados distintos
dc.titleMILKDE: a new approach for multiple instance learning based on positive instance selection and kernel density estimation
dc.typeArtigo de periódico
local.citation.epage204
local.citation.spage196
local.citation.volume59
local.description.resumoAprendizado de Instâncias Múltiplas (MIL) é um paradigma recente de aprendizado, que se baseia na atribuição de um único rótulo a um conjunto de instâncias chamado bag. Um bag é positivo se contiver pelo menos uma instância positiva, e negativo caso contrário. Este trabalho propõe um novo algoritmo baseado em computação de verossimilhança por meio de Estimativa de Densidade de Kernel (KDE) chamado MILKDE. Usando o classificador LogitBoost, seu desempenho foi comparado ao de quarenta e três algoritmos MIL disponíveis na literatura usando cinco conjuntos de dados. Nossa proposta superou todos eles para os conjuntos de dados Elephant (87,40%), Fox (66,80%) e COREL 2000 (77,8%), e alcançou resultados competitivos para os conjuntos de dados MUSK 1 (89,20%) e MUSK 2 (87,50%), que são comparáveis ​​às maiores precisões obtidas por outros métodos para esses conjuntos de dados. Os resultados gerais são estatisticamente comparáveis ​​aos obtidos pelos métodos mais conhecidos para MIL descritos na literatura.
local.publisher.countryBrasil
local.publisher.departmentENG - DEPARTAMENTO DE ENGENHARIA ELETRÔNICA
local.publisher.departmentENG - DEPARTAMENTO DE ENGENHARIA QUÍMICA
local.publisher.initialsUFMG
local.url.externahttps://www.sciencedirect.com/science/article/abs/pii/S0952197616302421

Arquivos

Licença do pacote

Agora exibindo 1 - 1 de 1
Imagem de Miniatura
Nome:
License.txt
Tamanho:
1.99 KB
Formato:
Plain Text
Descrição:
Baixar

Coleções

Artigo de Periódico

Logo UFMG